- 具有最优协方差匹配的扩散模型
本文通过使用最近提出的全协方差矩匹配技术，引入了一种学习协方差的新方法，以显著提高采样效率，并展示了该方法如何有效地增强马尔科夫和非马尔科夫扩散模型家族的采样效率。
- TIC-TAC：学习和评估协方差的框架
我们研究了无监督异方差协方差估计的问题，其中的目标是学习给定观察值 x 的多元目标分布 N (y, Σy|x)。我们通过推导 TIC：Taylor Induced Covariance 来解决预测协方差是否能真正捕捉到预测均值的随机性的问题 - 数据集上的主成分分析的两种导出方法
本文提出了一种针对数据集不是点而是分布的主成分分析方法，可以从方差最大化原则和重构误差最小化的角度获得闭合解。
- 协方差自适应最佳臂识别
该研究介绍了一种更加灵活的多臂老虎机模型，旨在通过估算臂间协方差来更高效地识别最佳臂，并利用新算法提供了实现此目标的理论保证和数值模拟。
- 利用新兴协方差进行概率计算：迈向有效的不确定性量化
通过截断概率表示的前两个矩阵 (均值和协方差)，我们开发了一个高效且可解释的概率计算框架，首先对平均数进行监管以优化任务目标，然后自动捕获模型预测的不确定性。
- 通过可微分的非线性最小二乘学习对应不确定性
本文提出了一种可微的非线性最小二乘框架，用于考虑特征对应的相对姿态估计中的不确定性，并通过不同 iating 估计过程中的相机姿态来估计特征位置的协方差。我们在合成、KITTI 和 EuRoC 实际数据集上评估了我们的方法，并发现我们的方法 - 一种能处理无界高斯分布、隐私安全且计算高效的估算器
本文提出了一种多项式时间、多项式采样、差分隐私的算法，用于估计任意高斯分布的均值和协方差，且不需要先验参数范围。该算法的主要技术工具是一种新的差分隐私的预处理器，可以从任意的高斯分布中取样并返回一个矩阵 A，使得 A × Σ × A^T 具 - 不需要私有协方差估计的协方差感知私有均值估计
提出两种样本有效的差分隐私均值估计器，可用于具有未知协方差的 $d$ 维（子）高斯分布。这些估计器是基于一种简单通用的设计差分隐私机制的方法实现的，但需要新颖的技术步骤使其保持隐私和有效性。
- 尺度不变的尺度通道网络：泛化到以前未见的尺度的深度网络
本文研究多尺度卷积神经网络的设计，主要探讨协方差和不变性的问题，并从设计角度提出了新的凹陷视野尺度通道网络结构，其能够有效地实现不同尺寸的图像分类任务。
- 神经网络学习中平台现象的数据依赖性 -- 统计力学分析
本文利用统计力学的方法，阐明了高原现象和数据学习的统计特性之间的关系：数据的协方差具有小和分散的特征，容易使高原现象不明显。
- 利用流形回归从 MEG/EEG 脑信号中预测，无需源建模
本文介绍了一种基于 Riemannian 几何学的 M/EEG 数据分析方法，通过将 M/EEG 协方差矩阵映射到切空间中进行回归和预测，研究结果表明这种方法在预测能力上超过基于传感器空间的估计方法，接近需要 MRI 数据的生物物理学驱动源 - 通过 Föllmer 过程稳定的对数 Sobolev 不等式
研究高斯对数 Sobolev 不等式的稳定性和不稳定性，给出了协方差，Wasserstein 距离和 Fisher 信息矩阵等多种可信度的度量方式并回答了一些问题，同时提出了一种新的相对于混合高斯分布进行稳定性评估的概念并给出了相关的估计方 - 利用带外信息进行毫米波混合系统的空间协方差估计
本文提出一种利用子 6 GHz 信道协方差作为 mmWave 链路配置的外带侧面信息的方法，可以降低训练开销。
- ICCV一种基于正半定空间的面部表情识别时空表示方法
本文提出使用新颖的时空几何表达来解决面部表情识别问题，并在几何上启发的方法中使用 SVM 进行分类，以达到与现有先进方法相当的效果。
- 通过体积抽样得到的线性回归无偏估计
通过体积采样的子矩阵来估计一个满秩矩阵的伪逆，得到一个无偏的估计值以及其协方差。伪逆在解决线性最小二乘问题中起着重要的作用，通过我们的方法，基于采样列的权重向量能够无偏地估计出基于所有列标签的整体问题的最优解，并且建立了线性最小二乘和体积采 - NIPS截断 SVD 在一般高秩矩阵估计问题中的能力
观察给定矩阵的截断奇异值分解，可以在高秩正半定矩阵的估计问题中获得多种有趣的结果，如矩阵补全，矩阵去噪和高维协方差的低秩估计。
- 从噪声动态中重构有向网络中的链接
本文提出了一种对于测量数据的协方差，结合网络结构进行有向网络链接重建的通用方法。
- NIPS增量型 PCA 的快速收敛
本研究针对在已知分布均值为零和未知协方差的情况下，使用增量算法以 O (d) 空间复杂度计算顶部特征向量，对 Krasulina 和 Oja 的两种传统方案进行了有限样本收敛率分析。
- 样本协方差矩阵与实际协方差矩阵的接近程度有多高？
给定一个 n 维非白色协方差分布，研究如何选择样本容量 N 以保证在算子范数下具有固定的精度估计协方差矩阵。猜测所有有限四阶矩的分布的最优样本容量为 O (n)，这得到了证明 (带有对数迭代因子)。
- 具压缩的差分隐私
本文研究了一种简单的乘法数据库转换方法，它可以利用随机线性或仿射变换对数据进行压缩，从而显著降低数据记录的数量，并保持原始输入变量的数量。通过差分隐私（Dwork 06）概念，本文提供了一个分析框架，旨在表明，尽管实现差分隐私保证存在一般的